孙 磊 韩静丹

(信息工程大学三院 河南 郑州 450000)

基于BHNB的细粒度的Android恶意应用检测模型

孙 磊 韩静丹

(信息工程大学三院 河南 郑州 450000)

为进一步提高Android恶意应用的检测效率，提出一种基于BHNB(Bagging Hierarchical Naïve Bayesian)的细粒度Android恶意应用检测模型。该模型首先对样本库中的应用进行类别划分，并分别对其进行动态分析，提取各个应用程序的行为信息作为特征；然后，采用层次朴素贝叶斯HNB(Hierarchical Naïve Bayesian)分类算法对各类应用特征集合进行分别训练，从而构建出多个层次朴素贝叶斯分类器；最后，采用Bagging集成学习方法对构建出的多个层次朴素贝叶斯分类器进行集成学习，构建出基于层次朴素贝叶斯的Bagging集成学习分类器BHNB。实验结果表明，该模型能够有效检测出Android恶意应用，且检测效率较高。

Android 动态分析 层次朴素贝叶斯 集成学习 恶意应用检测

0 引 言

随着Android操作系统的普及，使其成为了恶意攻击者的首要目标。据360互联网安全中心统计：平均每天截获新增手机恶意程序样本4.5万个，平均每天恶意程序感染量达到了100.6万人次。经研究发现，移动端恶意程序类型中资费消耗、恶意扣费以及隐私窃取所占比率高达99.2%，手机恶意程序趋利性极为明显，严重损害用户的利益。

近年来，随着机器学习算法的广泛应用，越来越多的学者使用机器学习算法对未知恶意应用进行分类与检测，通过机器学习算法构建分类器来区分良性应用和恶意应用。2013年，Yerima[1]通过提取Android应用样本的权限特征和行为特征，并分别对贝叶斯算法进行训练构建分类器；……